深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
1	2026-01-06	Investigation of cervical cell image segmentation technology based on deep learning and non-coding RNAs 2026-Apr, Non-coding RNA research IF:5.9Q1 DOI:10.1016/j.ncrna.2025.09.009 PMID:41488159	综述	本文综述了基于深度学习与非编码RNA的宫颈细胞图像分割技术的研究进展、挑战与应用前景	将深度学习模型（特别是CNN架构）与非编码RNA研究背景相结合，系统探讨了宫颈细胞图像分割的技术路线与优化方向	作为综述文章，未开展原创实验验证；主要基于英文文献分析，可能存在地域性研究覆盖不足	探讨深度学习技术在宫颈细胞图像分割中的应用，比较不同模型的特性与优劣	宫颈细胞图像	数字病理学	宫颈癌	图像分割技术	CNN, FCN, U-Net	图像	NA	NA	卷积神经网络, 全卷积网络, U-Net	分割精度	NA
2	2025-12-06	Explainable Convolutional Neural Networks for the identification of the Ampullariidae genus 2026-Apr, Parasitology international IF:1.5Q3 DOI:10.1016/j.parint.2025.103200 PMID:41271157	研究论文	本研究提出了一种基于VGG16和Grad-CAM的可解释卷积神经网络架构，用于分类和解释Ampullariidae及相关属的形态特征	结合VGG16和Grad-CAM构建可解释的CNN模型，在分类的同时提供视觉解释，聚焦于属特异性壳特征（如螺旋高度、卷绕方向和孔口方向），增强了分类学的精确性和生态决策的实用性	模型主要基于尼日利亚北部采集的标本，可能在其他地理区域的泛化能力有限；数据集虽经增强，但样本量相对较小（350个Ampullariidae标本），可能影响模型的鲁棒性	开发可解释的深度学习模型，用于自动识别和分类Ampullariidae及相关属的淡水蜗牛，以支持生态监测和寄生虫控制项目	Ampullariidae家族及其相关属（如Biomphalaria、Bulinus、Lymnae、Melanoides）的淡水蜗牛标本	计算机视觉	NA	深度学习	CNN	图像	350个野外采集的Ampullariidae标本，并增强了Biomphalaria、Bulinus、Lymnae和Melanoides的标记图像	NA	VGG16	验证准确率	NA